典型文献
流形学习降维算法中一种新动态邻域选择方法
文献摘要：
近年来,高维数据算法在诸如机器学习领域以及模式识别当中有着十分广泛的应用.降维算法的目的是为了揭示出在高维数据空间中样本数据的固有的组成特性,关注于寻找原始数据集特征表示中有价值的信息.相邻区域选择问题对流形学习降维算法的性能改进至关重要.因此,该文提出一种流形学习降维算法中的新动态邻域选择方法Mod-HLLE(modified Hessian locally linear embedding).该方法针对Hessian布局线嵌入方法HLLE进行了考察,Mod-HLLE算法是针对高维数据的局部线性嵌入降维算法的改进.Mod-HLLE主要通过计算每个数据点的局部相邻区域参数的方式来完成测量距离和欧几里德距离的评测,再通过动态的相邻区域的尺寸大小来选择新的局部相邻区域.Mod-HLLE在非噪声干扰和噪声干扰情况下,对两类典型3D高维数据集进行降维测试.实验结果表明,Mod-HLLE可以获得很好的几何直观效果,在性能和稳定性方面都优于常见的降维算法,对其他高维数据降维算法的改进也具有很好的参考价值.
文献关键词：
流形学习;黑塞局部线性嵌入;数据挖掘;降维算法;相邻区域
中图分类号：
作者姓名：
徐胜超
作者机构：
广州华商学院 数据科学学院,广东 广州 511300
文献出处：
引用格式：
[1]徐胜超-.流形学习降维算法中一种新动态邻域选择方法)[J].计算机技术与发展,2022(01):85-90
A类：
HLLE,黑塞局部线性嵌入
B类：
流形学习,降维算法,新动态,邻域,选择方法,高维数据,数据算法,学习领域,模式识别,数据空间,原始数据,数据集特征,特征表示,相邻区域,区域选择,性能改进,Mod,modified,Hessian,locally,linear,embedding,据点,域参数,测量距离,欧几里德,评测,噪声干扰,几何直观,数据降维
AB值：
0.250389
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
